CC BY
82
86
В.Е. Овсянников
УДК 621.19 В.Е. Овсянников
К ВОПРОСУ УПРАВЛЕНИЯ ИННОВАЦИОННЫМИ ПРОЕКТАМИ С ИСПОЛЬЗОВАНИЕМ НЕЙРОННЫХ СЕТЕЙ
Инновации получают материальное воплощение и внедряются в промышленную практику посредством реализации инновационных проектов. Успешное управление инновационными проектами невозможно без использования математической обработки данных, которые характеризуют их экономические показатели. Традиционно для этих целей используются методы эконометрики [1,2], основанные на математической статистике. Однако при анализе параметров инновационных проектов использование данных методов не всегда является оправданным, т.к. данные проекты сопряжены с риском, а отсюда следует, что необходимо применять такой методологический аппарат, который позволяет получать зависимости между параметрами (аппроксимацию) с максимально возможной
точностью. Использование же математической статистки априорно вызывает возникновение погрешностей.
Перспективным решением обозначенной проблемы является использование в качестве аппрок-симатора искусственных нейронных сетей [3-5]. Искусственные нейронные сети обладают универсальными аппроксимирующии свойствами - согласно теореме Стоуна-Вейерштрасса [4,5] с помощью нейросети можно сколь угодно точно равномерно приблизить любую функцию многих переменных на любом замкнутом ограниченном множестве.
В качестве аппроксиматора наиболее целесообразно использовать многослойную рекуррентную искусственную нейронную сеть, т.к. именно дан-
Рис. 1. Исходные данные
Уисх Уапп ♦ ♦ ♦
1
Рис. 2. Результат аппроксимации (1 - исходные данные, 2 - аппроксимированные данные)
Информационные технологии
87
ная архитектура обеспечивает максимальную точность.
Одним из самых важных свойств нейронных сетей является их способность к обучению. Обучение - процесс, в котором свободные параметры нейронной сети настраиваются посредством моделирования среды, в которую эта нейронная сеть встроена. Наиболее широко сегодня обучение, основанное на коррекции ошибок [4,5].
Для реализации указанных выше решений в программной среде Вог1аМ Бе1рЫ 7.0 была разработана компьютерная программа «Построение многослойной нейронной сети у1.0.
В качестве исходных данных, были использованы изменения цены на медь [7] от времени. Пример зависимости представлен на рис. 1
СПИСОК ЛИТЕРАТУРЫ.
1. Бородич С.А. Эконометрика: Учеб. пособие. - Мн.: Новое знание, 2001. - 408 с.
2. КулиничЕ.И. Эконометрия. - М.: Финансы и статистика, 2001. - 304 с.
3. Барский, А.Б. Нейронные сети: распознавание, управление, принятие решений. - М.: Финансы и статистика, 2004. - 176 с. ил.
4. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского [текст] / Д. Рутковская, М. Пилиньский, Л. Рутковский. - М.: Горячая линия - Телеком, 2006. -452 с. ил.
5. Хайкин, С. Нейронные сети полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1104 с. ил.
6. http://www.basegroup.ru.
7. http://www.a11meta1s.ru/price/index.php?p=1me&t=history.
□ Авторы статьи:
Овсянников Виктор Евгеньевич, канд. техн. наук, доцент каф.
«Инноватики и менеджмента качества» (Курганский гос.й университет).
Emai1:panz12@ramb1er.ru
Величина ошибки, используемая при обучении нейронной сети, была равна 5% Результат аппроксимации приведен на рис. 2. Т.к. программа «Построение многослойной нейронной сети у1.0» не предусматривает построение графиков исходных и аппроксимированных данных в одной системе координат - графики строились в программном пакете MathCad.
Как можно видеть из рис. 2, совпадение кривых достаточно тесное, вычисления средней ошибки показали, что она составила около 7%, что вполне достаточно для технических нужд, таким образом, обоснованность применения элементов искусственного интеллекта при управлении инновационными проектами можно считать доказанной.
